r-caret

    0熱度

    1回答

    我訓練一個模型與下面的代碼,但是,我找不到我怎麼能改變調諧網格,因爲FL和調整持續在特定的值(我的數據集是分類) Activity_nb <- train(Actx, Acty,data = Dact, method = "nb", trControl = myc1,metric = "Accuracy",importance = TRUE) Naive Bayes 2694 samples

    0熱度

    2回答

    中獲得實際的庫存預測我正在學習R和Quantmod,並構建了一個非常簡單的庫存模型預測。我同時擁有xgboost和尖模型,這裏是整個例如: library(quantmod) library(xts) # get market data Nasdaq100_Symbols <- c("AAPL", "ADBE", "ADI", "ADP", "ADSK", "AKAM") getSymbo

    -2熱度

    1回答

    我試圖應用助推模式,但我一直收到此錯誤。任何幫助都將不勝感激。這是一個來自kaggle,UCI信用卡數據的數據集,如果你想知道的話。 DataSplit<-createDataPartition(UCIdata$default.payment.next.month,p=.8,list=FALSE) boosttrain<-UCIdata[DataSplit,] boosttest<-UCIda

    0熱度

    1回答

    我有一個包含10,000個觀測值的數據集。我的目標變量有兩類 - 「Y」和「N下面是分佈‘Y’和‘N’: > table(data$Target_Var) Y N 2000 8000 現在我想建立一個平衡的訓練數據集,使得50%(1000 )中的「Y」的是在訓練,作爲訓練數據集被認爲是平衡的,它會與「N」。觀察總數另一個1000行= 2000 table(Training$Target_V

    2熱度

    1回答

    我使用R v3.3.2和插頁6.0.71(即最新版本)來構建邏輯迴歸分類器。我正在使用confusionMatrix函數來創建用於判斷其性能的統計信息。 logRegConfMat < - 混淆矩陣(logRegPrediction,valData [, 「看」]) 參考0,預測0 = 30 文獻1中,預測0 = 14 參考0,預測1 = 60 文獻1中,預測1 = 164 精度:0.7239 靈

    1熱度

    1回答

    我正在使用r caret包中的train()函數訓練bagFDA模型,並將模型輸出保存爲.Rdata文件。輸入文件大約有300k個記錄,包含26個變量,但輸出.Rdata的大小爲3G。我只需運行以下內容: modelout < - 列車(x,y,方法=「bagFDA」) 保存(file =「myout.Rdata」,modelout) 在窗口系統下。問題:(1)爲什麼myout.Rdata這麼大?

    0熱度

    1回答

    我很好奇在caret封裝機器學習算法的生態系統,但很快就發現自己補防列表轉換成數據幀的問題。 我期待構建一個由caret方法名稱,其標籤,關聯庫,其類型(分類,迴歸)和標籤組成的數據集。 我的第一步就是要做到: library(caret) carets <- getModelInfo() 這使得所有的caret車型檔案到一個單一的巨大命名列表。我可以通過這樣做得到列表的子元素: attac

    1熱度

    1回答

    專家。我是R的初學者。我嘗試使用caret-SVM進行分類。內核是svmPoly。 首先,我使用了默認參數,模型與留一交叉驗證訓練 的代碼是: ctrl <- trainControl(method = "LOOCV", classProbs = T, savePredictions = T, repeats = 1) modelFit <-

    0熱度

    1回答

    我正在使用R caret軟件包比較不同分類器對我數據的性能 。我想以量化性能 的方法之一是要 能談談相對於其他分類每個分類 來觀察分類所花費的時間 東西。 我想通過在 trainControl中設置timingSamps選項給出的信息將允許我獲得我需要的信息。 雖然我不知道如何解釋它,但文檔對於實際測量的內容來說是相當不透明的。 相關的代碼位: control <- trainControl(..

    0熱度

    1回答

    我有一個虛擬變量[0]的訓練集,我不想preProc=c("center","scale")他們,但我想preProc=c("center","scale")所有非虛擬變量爲了將它們像這裏一樣標準化[1]。因此,中心和刻度選項所產生的結果如下: center:從值中減去平均值。 比例尺:按標準差分值。 會是有意義的使所有的非虛擬變量數組,計算每個變量,中心的平均值和SD和比例的所有值的和然後的co